Negli ultimi anni, monitoraggio del carico non intrusivo (NILM) la tecnologia ha
ha attirato molta attenzione nel relativo campo di ricerca in virtù della sua unicità
vantaggio di utilizzare i dati di un singolo contatore per ottenere una scomposizione accurata di
consumo energetico a livello di dispositivo. Metodi all’avanguardia basati sul machine learning
e il deep learning hanno ottenuto risultati notevoli nella scomposizione del carico
accuratezza fondendo le caratteristiche del dominio tempo-frequenza. Tuttavia, questi metodi
generalmente soffrono di elevati costi computazionali e di enormi requisiti di memoria,
che diventano i principali ostacoli alla loro diffusione in paesi con risorse limitate
unità a microcontrollore (MCU). Per affrontare queste sfide, questo studio propone
un innovativo Dynamic Time Warping (DTW) algoritmo nel dominio tempo-frequenza
e confronta e analizza sistematicamente le prestazioni di sei macchine
tecniche di apprendimento negli scenari di elettricità domestica. Attraverso completo
validazione sperimentale su MCU edge, questo schema raggiunge con successo a
precisione di riconoscimento di 95%. Nel frattempo, questo studio ottimizza profondamente il
processo di estrazione delle caratteristiche nel dominio della frequenza, che riduce efficacemente il
tempo di esecuzione entro 55.55% e il sovraccarico di archiviazione di circa 34.6%. L'algoritmo
le prestazioni saranno ulteriormente ottimizzate nei futuri lavori di ricerca. Considerando questo
l'eliminazione della progettazione del trasformatore di tensione può ridurre significativamente il
costo, le successive ricerche si concentreranno in questa direzione, e si impegna a farlo
fornendo soluzioni più convenienti per l’applicazione pratica del NILM,
e fornire una solida base teorica e percorsi tecnici fattibili per
la progettazione di sistemi NILM efficienti in ambienti di edge computing.

Questo articolo esplora i giri e le loro implicazioni.

Scarica PDF: